苗樹敏，滕予非，羅 彬，陳 剛，王 亮

(1.國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610041；2.清華四川能源互聯(lián)網(wǎng)研究院，四川 成都 610042)

0 引 言

大力發(fā)展清潔能源是應(yīng)對全球氣候變化、減少環(huán)境污染、調(diào)整能源結(jié)構(gòu)、實(shí)現(xiàn)可持續(xù)發(fā)展的有效途徑。風(fēng)電作為典型的綠色、可再生清潔能源，受自身工程優(yōu)越性及國家政策導(dǎo)向激勵，發(fā)展十分迅速，截至2019年年底，全國累計并網(wǎng)風(fēng)電裝機(jī)容量為210 GW，占總發(fā)電裝機(jī)容量10.5%，規(guī)模化的地區(qū)并網(wǎng)風(fēng)電已成為中國重要的電力資源。

不同于傳統(tǒng)水、火電并網(wǎng)調(diào)度，風(fēng)電受資源特性和自然條件限制，出力呈明顯的隨機(jī)性和波動性，難以準(zhǔn)確預(yù)測，特別是隨著并網(wǎng)風(fēng)電裝機(jī)規(guī)模的不斷增大，其對電力調(diào)度運(yùn)行的影響也愈發(fā)顯著[1-2]。傳統(tǒng)電力調(diào)度中，通常假設(shè)次日風(fēng)電出力為確定值[3-4]，忽略了風(fēng)電出力預(yù)測誤差影響，導(dǎo)致調(diào)度結(jié)果不能很好地反映系統(tǒng)實(shí)際運(yùn)行狀態(tài)，增加了系統(tǒng)運(yùn)行風(fēng)險和棄風(fēng)風(fēng)險。目前，關(guān)于風(fēng)電并網(wǎng)隨機(jī)性問題研究已取得許多成果，包括風(fēng)功率預(yù)測[5-8]、隨機(jī)性描述[9-10]、風(fēng)電并網(wǎng)策略[11]等，但規(guī)?；L(fēng)電并網(wǎng)、消納問題依舊突出。風(fēng)電、水電聯(lián)合調(diào)度是促進(jìn)風(fēng)電并網(wǎng)消納的一種有效途徑[12-13]，其關(guān)鍵是利用水電良好的調(diào)節(jié)能力平抑風(fēng)電出力波動性，提高系統(tǒng)運(yùn)行安全水平。

為此，以風(fēng)電、水電聯(lián)合調(diào)峰最優(yōu)為目標(biāo)，開展計及風(fēng)電不確定性的風(fēng)-水聯(lián)合調(diào)度方法研究，這與目前多清潔能源互補(bǔ)消納的政策和實(shí)際需求相適應(yīng)，旨在挖掘電網(wǎng)消納能力，提高清潔能源并網(wǎng)質(zhì)量。首先，以地區(qū)風(fēng)電群為整體，考慮風(fēng)電出力不確定性導(dǎo)致的預(yù)測值與實(shí)際值間的偏差，采用模糊聚類方法對風(fēng)電預(yù)測值與實(shí)際值進(jìn)行二次聚類，構(gòu)建預(yù)測值與對應(yīng)的實(shí)際值間的出力情景集合及條件概率分布，將風(fēng)電不確定性轉(zhuǎn)變?yōu)橛邢迋€確定性條件情景進(jìn)行描述；其次，基于當(dāng)前風(fēng)電預(yù)測值對應(yīng)的實(shí)際情景及其概率分布，以期望調(diào)峰最優(yōu)為目標(biāo)，建立多情景風(fēng)電與水電站群聯(lián)合調(diào)度模型；再次，在有限個確定的風(fēng)電出力情景下，采用基于逐次逼近和關(guān)聯(lián)搜索的水電站群短期優(yōu)化調(diào)度方法進(jìn)行求解；最后，以西南某地區(qū)為例進(jìn)行仿真分析，通過與實(shí)際運(yùn)行結(jié)果對比驗(yàn)證了所提方法的有益效果。

1 基于模糊聚類的風(fēng)電出力情景描述

1.1 模糊聚類方法

模糊聚類方法由陳守煜提出，該方法是根據(jù)樣本間的不同特征和相似度，用相對隸屬度表征樣本屬于某一類程度的聚類方法[14]。下面以所有情景與聚類中心距離最小為目標(biāo)構(gòu)建最優(yōu)聚類函數(shù)，確定最優(yōu)聚類中心和各樣本的相對隸屬度，并根據(jù)最大隸屬度原則確定樣本分類。具體步驟如下：

3)以所有情景與聚類中心距離最小為目標(biāo)構(gòu)建最優(yōu)聚類函數(shù)：

(1)

需要滿足的約束條件有：

(2)

4)將上述模型轉(zhuǎn)換為無約束拉格朗日函數(shù)，可得到uk,j和si,k的迭代模型：

(3)

(4)

按式(3)、式(4)循環(huán)迭代求得最優(yōu)聚類中心和各樣本對每類的相對隸屬度。

5)按最大隸屬度原則確定樣本所屬類別，即樣本j的所屬類別滿足u*,j=max{uk,j},k=1,2,3,…,c。

1.2 風(fēng)電出力情景構(gòu)建

合理的聚類結(jié)果依賴于聚類數(shù)目的確定，下面采用聚類綜合質(zhì)量法[15]判斷不同聚類數(shù)目對應(yīng)的聚類結(jié)果優(yōu)劣，通過遍歷法確定適應(yīng)當(dāng)前樣本集的最終聚類數(shù)。分別建立風(fēng)電預(yù)測出力和對應(yīng)的風(fēng)電實(shí)際出力的模糊聚類模型，構(gòu)建風(fēng)電出力情景，具體步驟如下：

1)以歷史日風(fēng)電預(yù)測出力曲線為樣本，日內(nèi)每個時段預(yù)測出力為聚類指標(biāo)，規(guī)格化后取各指標(biāo)等權(quán)重構(gòu)建風(fēng)電預(yù)測出力模糊聚類模型，獲得歷史日風(fēng)電預(yù)測出力曲線聚類結(jié)果，記為Ω={Ω1,…,Ωl,…,ΩL}，l=1,2,…,L，L為總的預(yù)測情景類別數(shù)。

2)對于類別l，統(tǒng)計Ωl中對應(yīng)的歷史日風(fēng)電實(shí)際出力曲線作為聚類樣本，日內(nèi)每個時段實(shí)際出力為聚類指標(biāo)，規(guī)格化后取各指標(biāo)等權(quán)重構(gòu)建風(fēng)電實(shí)際出力模糊聚類模型，獲得類別l對應(yīng)的歷史日風(fēng)電實(shí)際出力曲線聚類結(jié)果，記為Φl={Φl,1,…,Φl,g,…,Φl,Gl}，g=1,2,…,Gl，Gl為類別l對應(yīng)的總的實(shí)際情景聚類數(shù)。

3)計算預(yù)測情景類別l對應(yīng)的各類實(shí)際情景出現(xiàn)概率：

(5)

4)對每類實(shí)際情景集合選取典型代表情景，代表情景的本質(zhì)是反映集合期望，由于類別內(nèi)部所有日實(shí)際出力曲線的出現(xiàn)概率相等，采用類別內(nèi)情景向量均值作為典型代表情景。對于實(shí)際情景類別g，其典型代表情景為

(6)

2 多情景風(fēng)電與水電聯(lián)合調(diào)峰模型

建立多情景風(fēng)電與水電聯(lián)合調(diào)峰模型，利用水電較好的調(diào)節(jié)能力平抑風(fēng)電出力波動性，且盡可能地削減負(fù)荷峰谷差，使余留給火電等其他電源的負(fù)荷需求盡量平穩(wěn)，提高電力調(diào)度安全性和經(jīng)濟(jì)性。采用剩余負(fù)荷方差最小[16]為風(fēng)電和水電聯(lián)合調(diào)峰目標(biāo)函數(shù)。

(7)

(8)

(9)

確定風(fēng)電期望情景后，上述模型轉(zhuǎn)化為僅含水電群出力變量的目標(biāo)形式，求解過程中還需滿足水電運(yùn)行約束，式(9)—式(17)分別為水量平衡約束、末水位約束、水位上下限約束、出力上下限約束、發(fā)電流量約束、水位庫容關(guān)系約束、尾水位下泄流量關(guān)系約束、水電轉(zhuǎn)換關(guān)系約束和水頭約束。

Vm,t+1=Vm,t+3600(Qm,t-qm,t-dm,t)Δt

(10)

(11)

(12)

(13)

(14)

Zm,t=f1(Vm,t)

(15)

ZTm,t=f2(Rm,t)

(16)

(17)

(18)

3 模型求解

對于給定的風(fēng)電預(yù)測出力過程，采用相似性分析判斷其與各預(yù)測情景類間的相似度，取最大相似度對應(yīng)的情景類作為給定預(yù)測出力所屬類，并構(gòu)建對應(yīng)的實(shí)際風(fēng)電出力情景組合。基于構(gòu)建的風(fēng)電期望情景，上述風(fēng)電與水電聯(lián)合調(diào)度問題可轉(zhuǎn)化為水電站群短期調(diào)度問題，下面采用已有水電站群短期優(yōu)化調(diào)度方法進(jìn)行求解[17]。首先，根據(jù)電站初始水位、來水及末水位控制條件估算發(fā)電用水量及發(fā)電量；根據(jù)估算的發(fā)電量，采用逐次切負(fù)荷方法生成各電站初始解；其次，對電量估算導(dǎo)致的末水位偏差，局部修正初始解，對電站各時段出力進(jìn)行增減關(guān)聯(lián)搜索，以滿足上下游電站間的水量平衡約束，進(jìn)一步修正初始解；最后，以修正后的初始解為起點(diǎn)，通過初始搜索、影響范圍擴(kuò)張、影響范圍邊緣修正、出入庫水量差修正4種基本操作實(shí)現(xiàn)了持續(xù)在當(dāng)前解附近搜索更優(yōu)解，即將當(dāng)前目標(biāo)值Fk與前次迭代目標(biāo)值Fk-1進(jìn)行對比，若Fk≤Fk-1，則取當(dāng)前目標(biāo)值對應(yīng)解為新的迭代初始解，反之，繼續(xù)以前次迭代解為初始解進(jìn)行搜索，循環(huán)迭代直至滿足計算精度要求?？傮w求解過程總結(jié)如下：

1)采用第1.1、1.2節(jié)方法構(gòu)建歷史日風(fēng)電預(yù)測出力過程和對應(yīng)的實(shí)際出力過程情景組合，并確定其條件概率分布；

2)采用相似性分析方法，按最大相似度原則判斷給定的風(fēng)電預(yù)測出力過程所屬預(yù)測情景類別；

3)獲得所屬預(yù)測情景類對應(yīng)的可能出現(xiàn)的實(shí)際情景組合及各情景條件概率，并計算可能出現(xiàn)的實(shí)際風(fēng)電出力過程期望，即風(fēng)電期望情景；

4)基于風(fēng)電期望情景，優(yōu)化計算求解風(fēng)電、水電聯(lián)合調(diào)峰模型。

4 實(shí)例分析

以西南某地區(qū)為例，地區(qū)風(fēng)電裝機(jī)1 604.5 MW，占比為16%，水電裝機(jī)4 428.0 MW，占比為44%，取近兩年風(fēng)電日96點(diǎn)(15 min一個時段)出力計劃值和實(shí)際值數(shù)據(jù)，剔除異常數(shù)據(jù)后作為模糊聚類模型輸入。結(jié)合聚類綜合質(zhì)量法及遍歷法確定風(fēng)電預(yù)測數(shù)據(jù)的最佳聚類數(shù)為6，各類代表情景中風(fēng)電出力均值及其概率分布列于表1。以枯期某日為例進(jìn)行仿真計算，根據(jù)相關(guān)性分析可知，風(fēng)電預(yù)測出力過程與第6類預(yù)測情景相關(guān)性最高，對應(yīng)的實(shí)際情景聚類數(shù)為4，各類情景如圖1所示，各實(shí)際情景概率分布及各情景與當(dāng)日實(shí)際風(fēng)電過程間的相關(guān)系數(shù)列于表2。由表2可知，實(shí)際風(fēng)電過程與第4類風(fēng)電實(shí)際情景間相關(guān)性最高，期望情景與實(shí)際情景間呈顯著相關(guān)性，明顯高于預(yù)測情景與實(shí)際風(fēng)電過程間的相關(guān)性(相關(guān)系數(shù)為0.473)，說明相比于預(yù)測情景，所提方法構(gòu)建的期望情景更貼合實(shí)際風(fēng)電出力過程。

表 1 風(fēng)電群出力預(yù)測情景概率分布

表 2 仿真日風(fēng)電群出力對應(yīng)的預(yù)測情景、實(shí)際情景及概率分布

下面分析所提模型調(diào)峰效果。圖2、圖3給出了期望情景下所建模型結(jié)果和實(shí)際運(yùn)行的對比調(diào)峰效果及出力過程。采用余留負(fù)荷日占比(剩余負(fù)荷均值與剩余負(fù)荷最大值之比)、最小余留負(fù)荷占比(剩余負(fù)荷最小值與剩余負(fù)荷最大值之比)、余留負(fù)荷峰谷差和余留負(fù)荷均方差4個指標(biāo)評價模型調(diào)峰效果，其中前兩個指標(biāo)用于衡量系統(tǒng)余留負(fù)荷日內(nèi)的變化程度，峰谷差指標(biāo)用于衡量系統(tǒng)剩余負(fù)荷對應(yīng)的最大調(diào)峰深度，均方差指標(biāo)反映了日內(nèi)余留負(fù)荷過程與其均值的偏離程度，對比結(jié)果列于表3?？梢钥闯?，在風(fēng)電期望情景下，所提模型可以更好地削減系統(tǒng)負(fù)荷峰谷差，相比于實(shí)際運(yùn)行數(shù)據(jù)，余留負(fù)荷峰谷差減少812 MW，縮減近45%，且余留負(fù)荷過程更加平穩(wěn)，均方差減小了258.4 MW，縮減近55%，說明在構(gòu)建的風(fēng)電期望情景下，所提模型可更好地挖掘了水電站水庫調(diào)節(jié)能力，提高風(fēng)電、水電聯(lián)合調(diào)峰效果。

圖2 風(fēng)電期望情景下系統(tǒng)剩余負(fù)荷

(a) 模型優(yōu)化結(jié)果

(b)實(shí)際運(yùn)行結(jié)果

進(jìn)一步分析應(yīng)對多種風(fēng)電情景時模型結(jié)果的魯棒性，不同情景下所提模型與實(shí)際運(yùn)行對應(yīng)的調(diào)峰結(jié)果見表3?？梢钥闯?，在不同風(fēng)電情景下所提模型的余留負(fù)荷日占比和最小余留負(fù)荷占比均高于實(shí)際運(yùn)行，最大的余留負(fù)荷日占比和最小余留負(fù)荷占比增幅分別為7.4%和13.4%，說明扣除風(fēng)電和水電后系統(tǒng)余留負(fù)荷變化減小；不同情景下余留負(fù)荷峰谷差和余留負(fù)荷均方差與實(shí)際運(yùn)行相比均有所下降，最大降幅分別為852.5 MW和265.9 MW，說明調(diào)峰深度和余留負(fù)荷波動明顯減小，更有利于后續(xù)其他發(fā)電機(jī)組運(yùn)行安排。同時，對比了當(dāng)日實(shí)際風(fēng)電過程下所提模型與實(shí)際運(yùn)行的調(diào)峰效果，見表3。對比可知，相比于實(shí)際運(yùn)行所提模型對應(yīng)的余留負(fù)荷日占比和最小余留負(fù)荷占比均有明顯增加，且余留負(fù)荷峰谷差、余留負(fù)荷均方差明顯下降，這說明應(yīng)對當(dāng)日實(shí)際風(fēng)電過程，所提模型可以取得更好的調(diào)峰效果。因此，在預(yù)判的多種風(fēng)電實(shí)際情景及當(dāng)日實(shí)際風(fēng)電過程下，所提模型的各項調(diào)峰指標(biāo)均優(yōu)于實(shí)際運(yùn)行，可以更好地適應(yīng)不同風(fēng)電情景、有效提高風(fēng)電并網(wǎng)質(zhì)量，驗(yàn)證了所提模型的魯棒性及可行性。

表 3 多情景風(fēng)電與水電聯(lián)合調(diào)峰結(jié)果對比

5 結(jié) 語

針對風(fēng)電并網(wǎng)帶來的不利影響，提出了一種計及風(fēng)電不確定性的風(fēng)-水聯(lián)合調(diào)度方法，旨在通過利用水電良好的調(diào)節(jié)性能提高風(fēng)電并網(wǎng)質(zhì)量，促進(jìn)清潔能源互補(bǔ)消納。該方法可分為兩部分：1)考慮風(fēng)電不確定性引起的調(diào)度偏差，采用模糊聚類方法分別對歷史風(fēng)電預(yù)測值和實(shí)際值進(jìn)行二次聚類，構(gòu)建當(dāng)前預(yù)測條件下可能出現(xiàn)的風(fēng)電實(shí)際情景集合及概率分布；2)基于構(gòu)建的多風(fēng)電情景，以風(fēng)電、水電聯(lián)合調(diào)峰最優(yōu)為目標(biāo)，建立多情景風(fēng)電與水電站群聯(lián)合調(diào)度模型并優(yōu)化求解。以西南某地區(qū)為例，分別對比了風(fēng)電期望情景下、多情景下和實(shí)際過程下所提方法和實(shí)際運(yùn)行的調(diào)峰效果，采用余留負(fù)荷日占比、最小余留負(fù)荷占比、余留負(fù)荷峰谷差和余留負(fù)荷均方差4個指標(biāo)進(jìn)行評價，所提方法的各項指標(biāo)均優(yōu)于實(shí)際運(yùn)行，驗(yàn)證了其更好地適應(yīng)性及調(diào)峰效果。所提方法為風(fēng)電規(guī)模化并網(wǎng)、風(fēng)電-水電聯(lián)合調(diào)度提供了一種可行技術(shù)途徑，并可為光伏等其他間歇性電源的并網(wǎng)調(diào)度提供借鑒。